艾伦研究所的科学家们利用机器学习来训练计算机，以便看到人眼无法轻易区分出的细胞部分。使用荧光标记细胞的3D图像，研究小组教计算机在没有荧光标记的情况下在活细胞内找到结构，仅使用由称为明场显微镜的廉价技术产生的黑白图像。该研究在“Nature Methods”杂志上发表。

荧光显微镜使用发光的分子标记来精确定位细胞的特定部分，非常精确，但只允许科学家一次看到细胞中的一些结构。人体细胞含有多达20000种不同的蛋白质，如果一起观察，可以揭示健康和患病细胞的重要信息。

“这项技术让我们可以看到比以前更大的一组结构，”艾伦研究所艾伦细胞科学研究所的科学家，该研究的资深作者Greg Johnson博士说，“这意味着我们可以用任何人都无法做到的方式来探索细胞的组织，特别是在活细胞中。”

艾伦细胞科学研究所执行主任Rick Horwitz博士表示，预测工具还可以帮助科学家了解疾病期间细胞出了什么问题。癌症研究人员可能将该技术应用于存档的肿瘤活检样本，以更好地了解细胞结构如何随着癌症的进展或对治疗的反应而发生变化。该算法还可以通过揭示细胞如何实时变化来帮助再生医学，因为科学家们试图在实验室中生长器官或其他新的身体结构。

“这项技术对这些及相关领域具有巨大的潜在影响，”Horwitz说。“你可以看到过程正在进行中，这几乎就像魔法一样。这种方法使我们能够以迄今为止最无创的方式获取我们以前无法获得的人体细胞信息。”

如果使用免费的预测工具集和明场显微镜，可以降低研究成本，代替荧光显微镜，这需要昂贵的设备和训练有素的操作员。荧光标签也会褪色，光线本身会损坏活细胞，限制了该技术用于研究活细胞及其动态的效用。机器学习方法将允许科学家长时间跟踪细胞的精确变化，从而可能揭示早期发育或疾病进展等事件。

对于人眼，在明场显微镜中观察的细胞是以灰色阴影呈现的囊。训练有素的科学家可以找到细胞和细胞核（细胞的DNA储存区）的边缘，但不是很多。研究小组使用现有的机器学习技术卷积神经网络，训练计算机识别这些图像中的细节，如线粒体。研究人员表示，他们测试了12种不同的细胞结构，模型生成的预测图像与大多数结构的荧光标记图像相匹配。

事实证明，即使是建模科学家，该算法能够捕获的内容也令人惊讶。

“我们会觉得如果我们自己的眼睛看不到某种结构，那么机器将无法学习它，”艾伦细胞科学研究所和该研究的作者Molly Maleckar博士说，“机器可以看到我们无法做到的事情。它们可以学到我们无法做到的事情。而且他们可以更快地完成任务。”

该技术还可以预测用电子显微镜拍摄的图像的精确结构信息。这里的计算方法是相同的，艾伦脑科学研究所助理研究员，该研究的作者Forrest Collman博士表示，应用是不同的。他一个致力于绘制小鼠大脑神经元之间连接的团队的一员。他们正在使用该方法排列用不同类型的显微镜拍摄的神经元的图像，通常是计算机的挑战性问题和人类的艰巨任务。

Collman说：“通过让艾伦细胞科学研究所的同事与我们合作解决这个问题，我们取得了进展。”

Fred Hutchinson癌症研究中心基础科学部门成员Roger Brent博士正在使用这种新方法作为研究工作的一部分，他正在为研究酵母和哺乳动物细胞的生物学家提高显微镜的“观察能力”。“用较少光密度的显微镜取代荧光显微镜将使研究人员能够加速其工作，更好地测量细胞和组织功能，并在此过程中节省一些资金，”Brent说，“通过提供这些网络，艾伦研究所正在帮助实现生物和医学研究的民主化。”